学习用于规划的不变视觉表示：基于联合嵌入预测世界模型

arXiv 26.2 2026 60.5 method

TLDR

通过添加双模拟编码器忽略慢特征，提升潜在预测世界模型鲁棒性，在含干扰物的导航任务中验证。

评分理由

The paper identifies a real limitation of JEPA models and proposes a principled solution using bisimulation. However, evaluation is limited to a simple navigation task with synthetic distractors, lacking real-world or complex benchmarks.

Read-first 评分解释

综合优先阅读分 60.5，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 38。

近期性 8%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、基准、评估

主题相关性 42%

54.3

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：337。

关键词评分

world model

world dynamics prediction

model-based reinforcement learning world model

interactive world model

video world model

generative world model

world simulator

深度分析

创新点

在联合嵌入预测世界模型的预测目标中增加双模拟编码器，以强制执行与控制相关的状态等价性
将潜在空间大小相比DINO-WM缩小最多10倍，同时保持对慢特征的鲁棒性
证明对预训练视觉编码器（DINOv2、SimDINOv2、iBOT）的选择具有无关性

方法

该模型扩展了联合嵌入预测架构（JEPA），通过引入一个双模拟编码器，将具有相似转移动态的状态映射到邻近的潜在表示，从而抑制背景变化和干扰物等慢特征。在测试时背景变化和视觉干扰物下的简单导航任务上进行了评估，并与DINO-WM基线进行了比较。

关键结果

在所有基准测试中，所提出的模型在潜在空间比DINO-WM小10倍的情况下，持续提高了对慢特征的鲁棒性。

局限性

评估仅限于简单的导航任务，尚未验证在更复杂环境中的泛化能力
摘要未讨论双模拟编码器的潜在失败案例或对超参数的敏感性
鲁棒性仅针对特定类型的背景变化和干扰物进行了测试，未探索更广泛或更极端的变化

资源

论文